美股AI Agent市场表现与空间如何？

Agent时代的大模型，正通过强化推理能力、提高工具调用水平、增强记忆机制等方式，使得Agent能力向SOTA模型内化。

1.美股Agent三段式波动，后关税期随货币化 进度分化上涨

复盘今年美股AI Agent标的市场表现，以1月至2月中旬模型平权以及4月初的关税波动为节点划分为三段式波动，前两个阶段跟随行业β同涨同跌偏多，第三阶段随AI货币化进程走出个 股差异行情。

阶段一（1月至2月中）：24年底AI应用公司超预期业绩释放未来乐观预期，叠加25年初生成式AI和Agent技术的范式变革，美股Agent该阶段普遍录得不错表现。

1）根据中国金融信息网，从24年底美股软件公司披露的三季报来看，营收超一致预期的比例升至超50%，以AppLovin为代表的美股软件股基本面向好推动10月以来美股软件股板块持 续强势，Agent的货币化以及基础软件AI相关收入的加速落地也让市场进一步判断后续业绩有增量空间。

2）25年1月，OpenAI发布Operator智能体，可通过屏幕截图分析完成复杂任务（如填写表格、订购杂货等），无需依赖API接口；国内DeepSeek发布R1模型，以低成本、高性能、开 源等特征掀起大模型普惠热潮，降低AI Agent落地门槛。

3）除Salesforce、Workday等股价表现较为平稳外，Plantir、Applovin等均走势较佳，二者年初至2月中股价累计最高涨幅分别为64.9%、57.53%。

阶段二（2月中至4月初）：此阶段关税的预期和落地、美联储降息延后等对行业风偏产生显著负面影响，Agent标的估值折损或为此阶段普跌的重要原因。

1）AI政策风险成为此阶段估值压制的重要因素。a）特朗普政府于2月21日发布《美国优先投资政策》，强化对华投资限制，重点针对AI、半导体等战略领域，要求 CFIUS（美国外国投 资委员会）对中资交易实施 “默认禁止”。这一政策直接冲击了美国AI企业的国际合作预期，尤其是依赖中国市场或技术的公司。b）4月2日，美国总统特朗普在白宫签署两项关于所谓 “对等关税”的行政令，宣布美国对贸易伙伴设立10%的“最低基准关税”，并对某些贸易伙伴征收更高关税。

2）宏观环境面临降息延后预期和市场情绪共振，进一步压制Agent标的市场表现。自1月底会议以来，美联储连续多次维持联邦基金利率不变，同时提到“经济前景的不确定性增加”。 我们认为，一方面，利率维持不变打消了此前的降息预期，影响市场情绪；另一方面，降息决定与宏观经济不确定关联一起，或带来了美国经济健康度的负面预期，进一步打压市场情绪。

3）年初至4月8日，Salesforce、SAP、Applovin、Doulingo、Workday、Innodata股价均录得负向增幅，分别为-27.0%、-3.5%、-27.3%、-9.5%、-18.4%、-18.5%。

阶段三（4月初至今）：随着后期关税影响边际递减，行业内初创公司ARR放量速度逐步加快，此阶段美股Agent行情分化的关键，在于其能否借助AI实现放量或提价。

1）4月9日，美国调整关税政策，悲观预期减缓。特朗普政府于4月9日调整政策，宣布对大部分贸易伙伴暂缓实施高额关税90天，但维持10%的基准关税不变。进入7月，美国关税政策 进一步变化。美国总统特朗普于7月7日正式签署行政命令，将原定于7月9日生效的“对等关税”政策实施日期延后至8月1日。

2）美股AI商业化进展存在差异，AI量价提升逻辑逐渐演绎出差异化行情。大多数如Palantir、Applovin、SAP等toB公司由于AI使收入端超预期增长，亦有如Spotfiy等toC公司由于AI驱 动提价带来的利润率连续改善。

2.模型、技术、成本与用户共振，Agentic AI迎 ARR爆发期

模型：Agentic能力内置LLM，迈向Agent深度渗透时代

Agent时代的大模型，正通过强化推理能力、提高工具调用水平、增强记忆机制等方式，使得Agent能力向SOTA模型内化。根据Z Potentials，OpenAI的o3、o4-mini 与Anthropic的Claude 4（Opus 4/Sonnet 4）代表了当前AI Agentic能力内化的前沿。

工具链深度内化。1）端到端工具调用：均将工具使用能力（搜索、代码执行、图像操作）融入模型推理链：o3通过CoT（思维链）自动生成代码调用工具（如裁剪图片、 爬取网页），无需预设API；Claude 4通过RLVR（可验证奖励强化学习） 优化工具调用逻辑，确保代码执行结果可验证（如SWE-bench代码修复准确率80.2%）。2）多 模态工具融合： Claude 4原生整合文本/图像/音频输入，支持沙箱代码运行与图表生成；o3支持图像融入CoT进行旋转、定位分析。

长程任务与记忆机制。1）持久化执行：突破传统模型任务时长限制：Claude 4可连续运行7小时（如税务申报、开源项目重构）；o3支持异步处理，允许用户关闭设备后 任务继续执行。2）外挂记忆模块：Claude 4的Prompt Cache缓存1小时内的上下文；o3通过文件与Memory读取实现跨任务状态保留。

模型：AI Agent摩尔定律，每7个月能力翻倍

AI Agent摩尔定律：每7个月AI Agent能够完成任务长度（人类完成该任务所需时间）能力翻倍，2030年前AI Agent有望自主完成人类所需1个月时间的复杂任务。根 据METR的研究，以50%成功概率为标准，Agent完成的任务长度（人类完成任务所需时间）呈指数级增长，在过去六年中（2019-2025），大致每7个月翻倍。METR测 算，当前最先进的模型之一Sonnet 3.7大致可完成人类所需1小时的任务。如果延续过去6年AI能力趋势，2030年前Agent有望以50%可靠性完成长达1个月的任务。

究其原因，LLM软硬件的突破系Agent Scalling Law出现的重要原因。 1）硬件：更多算力和更多数据。在算法和数据没有变化的情况下，只依靠算力规模的提升就可以带来模型能力的增强。有两种方法增加AI系统算力：a）花费更多资金购 买更强的计算资源；b）开发出更高效的硬件，使相同成本下的算力更强。 2）软件：开发更好的AI模型，可通过AI 技术范式，系统架构，训练算法，数据获取，参数调整，fine-tuning等方法。AI软件进步可分为两类：a）效率改进，新AI系统 执行与之前AI系统大致相同的任务时，计算成本更低；b）能力改进，新AI系统能够完成之前系统完全无法做到的任务，或在相同任务上表现得更为出色。

技术：MCP+A2A驱动Agentic AI，AI应用蜕变为“数字员工”

我们认为，在Agentic AI时代，MCP+A2A成为打通AI Agent的“最后一公里”，加速Agent从“单点工具”向“数字员工”的跃迁，降低工具调用成本，推动从“个 体能力”到“群体能力”。 MCP解决了大模型/Agent工具/数据调用问题，大大降低了Agent开发门槛；而A2A作为MCP的补充，解决了大模型/Agent互为孤岛的问题， 使得不同Agent之间可相互通信，协调完成任务。

模型上下文协议（MCP）是2024年底由Anthropic提出的开放标准，旨在为AI模型与外部工具之间建立安全、双向的连接。在MCP出现之前，AI集成工具可能要针对每个 工具进行定制开发，缺乏统一标准，集成效率低，而MCP协议提供了一个可插拔、可扩展的框架，允许AI无缝对接数据源、文件系统、开发工具、Web浏览器等外部系统， 使得AI的能力更容易被拓展。

2025年4月9日，谷歌发布Agent2Agent（A2A）开源协议，这是首个专为AI代理互操作性设计的开放标准。该协议为不同类型的智能体之间搭建了一座高效沟通与协作 的桥梁，无论是独立Agent与独立Agent、独立Agent与企业Agent，亦或是企业Agent与企业Agent，都能借助该协议实现通信交互和事务协作。

成本：开闭源性能收敛，推理成本指数级下降

开源模型性能逐渐与闭源模型趋同，进一步降低大模型部署成本，推动大模型普惠发展。

25年1月，DeepSeek R1发布即开源，性能比肩 OpenAI o1 正式版，API价格大幅下降。R1 API服务定价为每百万输入tokens 1元（缓存命中）/ 4元（缓存未命中）， 每百万输出tokens 16元；与之对比，GPT o1 API服务定价为每百万输入tokens 55元（缓存命中）/ 110元（缓存未命中），每百万输出tokens 438元。

25年4月，阿里开源8款不同尺寸的全新一代混合推理模型Qwen3，在推理、工具调用、指令遵循及多语言能力等方面显著提升。根据IT之家，相较之下，千问3的部署成 本仅为满血版DeepSeek-R1的25%至35%，仅需4张H20 GPU便能部署完整功能的千问3模型，显存占用量仅为同类性能模型的三分之一。

实现特定性能水平的推理成本已显著下降，单位美元获得的人工智能性能已大幅提高。Epoch AI估计，根据任务不同，大语言模型的推理成本正以每年9至900倍的速度下 降。例如，在MMLU测试（评估语言模型性能的常用比较基准）中达到GPT-3.5水平的模型，其推理成本从2022年11月的每百万词元20美元降至2024年10月的0.07美元 （Gemini-1.5-Flash-8B），约1.5年内下降超280倍。

用户：AI价值取得认同，渗透率提升带动token消耗快速增长

根据摩根斯坦利，AI家庭渗透率达到50%或仅需3年，而上一轮移动互联网时代经历了6年时间。由此可以推断，AI所带来的价值有望加速到来，用户AI使用习惯或在 Agent功能完善下逐步增强。根据斯坦福《2025年人工智能指数报告》，人工智能的使用达到前所未有的水平。2024 年，受访企业报告采用人工智能技术的比例从2023 年的55%跃升至78%。同样，在至少一项业务职能中使用生成式人工智能的受访者数量增长逾一倍——从2023年的33%上升至2024年的71%。  除渗透率提升外，用户对AI粘性、AI使用时长迎来拐点。从ChatGPT用户使用时长来看，移动端日活使用时长从3月的20分钟左右增长至当前的29分钟，超过了传统照片 分享应用SnapChat。

从国内外主流大厂来看，token消耗高速增长已成趋势，打下良好的商业化用户基础，在商业模型逐步成熟后，后续Agent厂商ARR有望爆发。  谷歌：25年I/O发布会，谷歌用户月token消耗量从去年的5月9.7T tokens增长至今年5月的480T token，一年激增50倍；7月token消耗达到980T，两个月翻倍。  微软：Microsoft Azure AI Foundry季度token消耗量从24Q1的20T增长至25Q1的100T，一年激增5倍；25Q2达到500T，同比增长超7倍。  豆包：截至25年5月底，豆包大模型日均tokens使用量超过16.4万亿，较去年5月刚发布时增长超过137倍。  究其原因，底层大模型性能提升、模型调用成本下降以及Agent生态的丰富均有利于放大Agent价值，提升AI渗透率，带来token消耗的快速增长。1）模型侧重于推理慢 思考能力，相比快思考需更长的上下文，带来token消耗或倍增；2）多模态模型的发展相比于单一文字需要消耗更多token；3）MCP&A2A推动多Agent发展，相比于单 Agent，token消耗或倍增；4）多Agent通信以及主Agent验证带来额外的token消耗；5）Agent渗透率提升，加速token消耗增长。